В ходе работы над проектом ReacModeler были выявлены следующие задачи: - ускорение вычислений при сохранении инженерной точности, - повышение точности за счет регуляризации физикой и устойчивого учета параметрической зависимости, - учет исторических данных эксплуатации/эксперимента для адаптации моделей и улучшения прогноза. Для решения этих задач предлагается использовать подход машинного обучения на основе physics-informed neural networks (PINNs), аналогичный методу, продемонстрированному для ускорения микрокинетики синтеза Фишера–Тропша (Patel et al., 2023)

Хмелёв А.П., Безруких П.Д., Верхозин М.А., Гриценко Е. (науч. рук. Щемелинин В.Л.) Ускорение кинетических расчетов в химической технологии с помощью нейросетей pinn // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. – СПб: Университет ИТМО, [2026]. URL: https://kmu.itmo.ru/digests/article/17981